浮选气泡NSCT域多尺度等效形态特征提取及识别

为了解决浮选气泡图像现场光照不均、相互黏结、无背景等造成的直接形态特征提取困难问题,提出一种浮选气泡NSCT域(Nonsubsampled Contourlet Transform, NSCT)的多尺度等效形态特征提取及识别方法。通过NSCT变换将浮选气泡图像分解为低频图像和多尺度多方向高频图像;采用模糊集方法二值化低频子带图像,得到气泡亮点图像,提取亮点个数、平均面积、标准差和椭圆率作为等效形态尺寸特征;结合方向模极大值及差分盒维法计算各高频子带方向的分形维数;最后,将多尺度多方向等效形态尺寸特征作为输入,采用量子门节点神经网络对三类浮选气泡图像进行状态识别和分类。实验结果表明,该方法提取的等效形态尺寸特征与分类的相关性高,能对三种类型浮选气泡图像进行有效的状态识别,平均识别准确率达95.1%。本算法的识别准确率较几种流行算法而言有较大提高,适用于动态变化的浮选工况。

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.